品牌建设的内容包括沈阳高端关键词优化
一、NumPy基础概念
🔍 什么是NumPy？
-
核心功能：处理任意维度的数组与矩阵，比Python原生数据结构更高效。
-
优势：简化复杂计算，支持矢量化运算，底层C实现速度快。
二、数组的创建与属性
👉 1. 数组创建方法
-
基础创建：
# 一维数组
arr1 = np.array([1, 2, 3])
# 多维数组
arr2 = np.array([[1, 2], [3, 4]]) -
特殊数组生成：
-
全零数组：
np.zeros((2,3)) -
全一数组：
np.ones((3,3)) -
等差数组：
np.arange(0, 10, 2) -
等分数组：
np.linspace(0, 10, 5)
-
👉 2. 数组常用属性
| 属性 | 说明 | 示例 |
|---|---|---|
ndim | 数组维度 | arr.ndim → 2 |
shape | 形状（行数, 列数） | arr.shape → (2,3) |
size | 元素总数 | arr.size → 6 |
dtype | 数据类型 | arr.dtype → int64 |
三、数组变形与数据类型
🎯 1. 改变数组形状
-
reshape()：不复制数据，仅调整视图（需元素总数匹配）： -
arr = np.arange(6) arr_2d = arr.reshape(2, 3) # 转为2行3列 -
resize()：直接修改原数组形状，不足时填充0。
🎯 2. 修改数据类型
使用astype()转换类型：
arr_float = arr.astype(np.float64) # 转为浮点型 四、索引与切片
🔍 1. 一维数组
-
索引从0开始，支持负数索引：
arr = np.array([10, 20, 30, 40])
print(arr[1]) # 20
print(arr[-1]) # 40 切片语法：start:end:step
arr[1:3] # [20, 30] 🔍 2. 多维数组
-
逗号分隔索引，按维度访问：
arr_2d = np.array([[1,2], [3,4]])
print(arr_2d[1, 0]) # 3（第2行第1列） 切片支持多维度：
arr_2d[:, 1] # 所有行的第2列 → [2, 4] 五、副本与视图
⚠️ 关键区别
-
视图（浅复制）：共享原始数据内存，修改视图会影响原数组。
view = arr.view()
view[0] = 100 # 原数组同步修改 副本（深复制）：完全独立的新数组，修改不影响原数据。
copy = arr.copy()
copy[0] = 200 # 原数组不变 六、轴（Axis）的概念
📌 核心规则
-
0轴：行方向（纵向操作，如按列求和）
-
1轴：列方向（横向操作，如按行求均值）
-
三维数组：0轴（层）、1轴（行）、2轴（列）
示例：
arr = np.array([[1,2], [3,4]])
np.sum(arr, axis=0) # 按列求和 → [4, 6]
np.sum(arr, axis=1) # 按行求和 → [3, 7] 七、常用数组操作
🚀 1. 添加元素
-
np.append()：末尾追加元素（生成新数组）
new_arr = np.append(arr, [5,6]) np.insert()：指定位置插入元素
new_arr = np.insert(arr, 1, 99) # 在索引1处插入99 🚀 2. 删除元素
-
np.delete()：按索引删除
new_arr = np.delete(arr, [0,2]) # 删除索引0和2的元素 🚀 3. 去重操作
-
np.unique()：返回唯一值并排序
unique_arr = np.unique([2,1,2,3]) # [1,2,3]
👏觉得文章对自己有用的宝子可以收藏文章并给小编点个赞！
👏想了解更多统计学、数据分析、数据开发、机器学习算法、深度学习等有关知识的宝子们，可以关注小编，希望以后我们一起成长！